• Notebook 教程： text-video retrieval ^[1]

「视频检索」任务就是输入一段文本，检索出最符合文本描述的视频。随着各类视频平台的兴起和火爆，网络上视频的数量呈现井喷式增长，「视频检索」成为人们高效查找视频的一项新需求。

传统的视频检索通常要求视频带有额外的文字标签，通过匹配查询语句的关键词与视频标签实现检索。这一方案存在一个很大的缺陷，由于缺乏对语义的理解，该系统高度依赖关键词和视频标签，与真正的内容匹配存在差距。

随着深度学习在计算机视觉和自然语言领域上的高速发展，「视频文本跨模态检索」能够理解文字和视频的内容，从而实现视频与文本之间的匹配。相比传统方法，基于内容理解的视频检索也更加接近人类的思考逻辑。

目前主流的实践方法是将视频和文本编码成特征向量，由于含义相近的向量在空间中的位置也是相近的，我们可以通过计算向量之间的相似度实现文本-视频跨模态检索任务。

视频作为一种非结构化数据，其类型丰富、信息量复杂、处理门槛较高。而视频与文本又各属不同类型的数据，处理这种跨模态的任务具有一定的难度。

在本文中，借助专门处理非结构化数据的工具，如向量数据库 Milvus^[2] 和提供向量数据 ETL 框架的 Towhee^[3] ，我们可以轻松地利用针对「视频-文本」跨模态任务的深度学习网络（例如 CLIP4Clip^[4] ）搭建一个“理解”内容的视频检索系统！

「视频检索」服务 demo

在这篇文章中，我们将会使用 Milvus^[5] 和 Towhee^[6] 搭建一个基于内容理解的「视频检索」服务！

安装相关工具包

在开始之前，我们需要安装相关的工具包，我们用到了以下工具：

• Towhee：用于构建模型推理流水线的框架，对于新手非常友好。
• Milvus：用于存储向量并创建索引的数据库，简单好上手。
• Gradio：轻量级的机器学习 Demo 构建工具。
• Pillow：图像处理常用的 Python 库。

python -m pip install -q pymilvus towhee towhee.models pillow ipython gradio

数据集准备

我们在这里选用了 MSR-VTT (Microsoft Research Video to Text)^[7] 数据集的部分数据（1000个）。MSR-VTT^[8] 是一个公开的视频描述数据集，由 10000 个视频片段与对应的文本描述组成。你可以选择从 google drive 或者通过以下代码下载和解压数据，解压后的数据包括了以下几个部分：

• test_1k_compress: MSR-VTT-1kA 数据集中 1000 个压缩的测试视频。
• MSRVTT_JSFUSION_test.csv: 一个 csv 文件，其中重要信息包括每个视频的id（video_id）、视频路径（video_path）、文字描述（sentence）。

curl -L https://github.com/towhee-io/examples/releases/download/data/text_video_search.zip -O
unzip -q -o text_video_search.zip

你可以通过改变以下代码中的sample_num选择使用更少的测试数据。我们简单提取和查看一下 csv 文件中包含的信息：

import pandas as pd
import os

raw_video_path = './test_1k_compress' # 1k test video path.
test_csv_path = './MSRVTT_JSFUSION_test.csv' # 1k video caption csv.

test_sample_csv_path = './MSRVTT_JSFUSION_test_sample.csv'

sample_num = 1000 # you can change this sample_num to be smaller, so that this notebook will be faster.
test_df = pd.read_csv(test_csv_path)
print('length of all test set is {}'.format(len(test_df)))
sample_df = test_df.sample(sample_num, random_state=42)

sample_df['video_path'] = sample_df.apply(lambda x:os.path.join(raw_video_path, x['video_id']) + '.mp4', axis=1)

sample_df.to_csv(test_sample_csv_path)
print('random sample {} examples'.format(sample_num))

df = pd.read_csv(test_sample_csv_path)

df[['video_id', 'video_path', 'sentence']].head()

与「图像描述」、「以文搜图」等跨模态任务的原理类似，基于内容理解的「视频检索」通过选取视频剪辑中的关键帧，将其转换成能表达该视频的特征向量。为了节省资源和方便观察，我们先可以选择将视频转换为 GIF 动图：

from IPython import display
from pathlib import Path
import towhee
from PIL import Image

def display_gif(video_path_list, text_list):
    html = ''
    for video_path, text in zip(video_path_list, text_list):
        html_line = '<img src="{}"> {} <br/>'.format(video_path, text)
        html += html_line
    return display.HTML(html)

    
def convert_video2gif(video_path, output_gif_path, num_samples=16):
    frames = (
        towhee.glob(video_path)
              .video_decode.ffmpeg(sample_type='uniform_temporal_subsample', args={'num_samples': num_samples})
              .to_list()[0]
    )
    imgs = [Image.fromarray(frame) for frame in frames]
    imgs[0].save(fp=output_gif_path, format='GIF', append_images=imgs[1:], save_all=True, loop=0)


def display_gifs_from_video(video_path_list, text_list, tmpdirname = './tmp_gifs'):
    Path(tmpdirname).mkdir(exist_ok=True)
    gif_path_list = []
    for video_path in video_path_list:
        video_name = str(Path(video_path).name).split('.')[0]
        gif_path = Path(tmpdirname) / (video_name + '.gif')
        convert_video2gif(video_path, gif_path)
        gif_path_list.append(gif_path)
    return display_gif(gif_path_list, text_list)

让我们看几个数据集中的视频-文本对：

# sample_show_df = sample_df.sample(5, random_state=42)
sample_show_df = sample_df[:5]
video_path_list = sample_show_df['video_path'].to_list()
text_list = sample_show_df['sentence'].to_list()
tmpdirname = './tmp_gifs'
display_gifs_from_video(video_path_list, text_list, tmpdirname=tmpdirname)

a girl wearing red top and black trouser is putting a sweater on a dog

young people sit around the edges of a room clapping and raising their arms while others dance in the center during a party

a person is using a phone

创建 Milvus 集合

在创建 Milvus 之前，请确保你已经安装并启动了 Milvus^[9] 。Milvus 是处理非结构化数据的好手，它能在后续的相似度检索和近邻搜索中发挥至关重要的作用。我们需要利用 Milvus 服务中创建一个集合（Collection）用于存储和检索向量，该集合包含两列：id 和 embedding，其中id是集合的主键。另外，为了加速检索，我们可以基于embedding创建 IVF_FLAT^[10] 索引（索引的参数 "nlist":2048）。同时，我们选择 L2 欧式距离^[11] 衡量向量之间的相似度（距离越小表示越相近）：

from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection, utility

connections.connect(host='127.0.0.1', port='19530')

def create_milvus_collection(collection_name, dim):
    if utility.has_collection(collection_name):
        utility.drop_collection(collection_name)
    
    fields = [
    FieldSchema(name='id', dtype=DataType.INT64, descrition='ids', is_primary=True, auto_id=False),
    FieldSchema(name='embedding', dtype=DataType.FLOAT_VECTOR, descrition='embedding vectors', dim=dim)
    ]
    schema = CollectionSchema(fields=fields, description='video retrieval')
    collection = Collection(name=collection_name, schema=schema)

    # create IVF_FLAT index for collection.
    index_params = {
        'metric_type':'L2', #IP
        'index_type':"IVF_FLAT",
        'params':{"nlist":2048}
    }
    collection.create_index(field_name="embedding", index_params=index_params)
    return collection

collection = create_milvus_collection('text_video_retrieval', 512)

提取特征，导入向量

本文教学的「视频检索」系统主要包含数据插入和检索两个部分。首先，我们将视频库里的所有视频转换成一个向量并存入数据库（Milvus 集合）中。当数据库准备完成后，该系统就可以实现检索服务。检索过程会将查询语句转换成一个向量，然后在数据库中找到与其最相近的视频向量，最终通过视频向量的 id 返回其对应的实际视频。为了将视频与文本转换成向量，我们需要一个视频-文本跨模态的神经网络模型用于提取特征。Towhee 提供了一系列简单又好用的 API^[12] ，以供我们可以更便捷地操作数据处理的算子和流水线。这里我们选用了 towhee clip4clip^[13] 算子将视频库里的所有视频转换成向量，并插入事先准备好的 Milvus 集合中。该算子不仅提供了预训练的 CLIP4Clip^[14] 提取特征，还包含了后处理工作（比如池化、维度处理、转数据格式），能够通过几行代码轻松提取向量。

为了加速算子与预训练模型的下载，在运行 clip4clip 算子之前，请确保你已经安装了 git^[15] 和 git-lfs^[16]（如果已安装请跳过）：

sudo apt-get install git & git-lfs
git lfs install

import os
import towhee

device = 'cuda:0'
# device = 'cpu'

# For the first time you run this line, 
# it will take some time 
# because towhee will download operator with weights on backend.
dc = (
    towhee.read_csv(test_sample_csv_path).unstream()
      .runas_op['video_id', 'id'](func=lambda x: int(x[-4:] "'video_id', 'id'"))
      .video_decode.ffmpeg['video_path', 'frames'](sample_type='uniform_temporal_subsample', args={'num_samples': 12} "'video_path', 'frames'") \
      .runas_op['frames', 'frames'](func=lambda x: [y for y in x] "'frames', 'frames'") \
      .video_text_embedding.clip4clip['frames', 'vec'](model_name='clip_vit_b32', modality='video', device=device "'frames', 'vec'") \
      .to_milvus['id', 'vec'](collection=collection, batch=30 "'id', 'vec'")
)

Wall time: 1min 19s

检查数据库集合可以看到共有 1000 条向量，通过 Towhee 提供的接口还可以查看各个数据之间的对应关系：

print('Total number of inserted data is {}.'.format(collection.num_entities))
dc.select['video_id', 'id', 'vec']( "'video_id', 'id', 'vec'").show()

Total number of inserted data is 1000.我们在这里对上面的代码做一些接口说明：

• towhee.read_csv(test_sample_csv_path)：读取 csv 文件中的数据。
• .runas_op['video_id', 'id'](func=lambda x: int(x[-4:] "'video_id', 'id'"))：取每一行数据的 video_id 列最后 4 个数据作为 id 列的数据，并转换其数据类型为 int。
• .video_decode.ffmpeg and runas_op：统一对视频进行二次采样，然后得到一串视频图像列表，作为 clip4clip 模型的输入。
• .video_text_embedding.clip4clip['frames', 'vec'](model_name='clip_vit_b32', modality='video' "'frames', 'vec'")：从视频中采样的图像帧中提取 Embedding 特征向量，然后在时间维度上平均池化它们。
• .to_milvus['id', 'vec'](collection=collection, batch=30 "'id', 'vec'")：将向量 30 个一批插入 Milvus 集合中。

系统评估

我们已经成功实现了「视频检索」服务的核心功能，接下来可以根据不同指标评估检索引擎。在本节中，我们将使用 recall@topk 评估我们的「视频文本检索」服务的性能：

Recall@topk 是在 top k 个结果的“查全率”。比如，共有 5 个目标结果，Recall@top10 为 40% 则表示前十个结果中找到了 2（5*40%）个目标结果。本案例中每次只有一个目标结果，因此 Recall@topk 同时也意味着准确率（Accuracy）。

dc = (
    towhee.read_csv(test_sample_csv_path).unstream()
      .video_text_embedding.clip4clip['sentence','text_vec'](model_name='clip_vit_b32', modality='text', device=device "'sentence','text_vec'")
      .milvus_search['text_vec', 'top10_raw_res'](collection=collection, limit=10 "'text_vec', 'top10_raw_res'")
      .runas_op['video_id', 'ground_truth'](func=lambda x : [int(x[-4:] "'video_id', 'ground_truth'")])
      .runas_op['top10_raw_res', 'top1'](func=lambda res: [x.id for i, x in enumerate(res "'top10_raw_res', 'top1'") if i < 1])
      .runas_op['top10_raw_res', 'top5'](func=lambda res: [x.id for i, x in enumerate(res "'top10_raw_res', 'top5'") if i < 5])
      .runas_op['top10_raw_res', 'top10'](func=lambda res: [x.id for i, x in enumerate(res "'top10_raw_res', 'top10'") if i < 10])
)

我们分别返回 top 1 个、top 5 个和 top 10 个预测结果，并查看分别对应的评估结果：

dc.select['video_id', 'sentence', 'ground_truth', 'top10_raw_res', 'top1', 'top5', 'top10']( "'video_id', 'sentence', 'ground_truth', 'top10_raw_res', 'top1', 'top5', 'top10'").show()
# dc.show()

benchmark = (
    dc.with_metrics(['mean_hit_ratio',]) \
        .evaluate['ground_truth', 'top1'](name='recall_at_1' "'ground_truth', 'top1'") \
        .evaluate['ground_truth', 'top5'](name='recall_at_5' "'ground_truth', 'top5'") \
        .evaluate['ground_truth', 'top10'](name='recall_at_10' "'ground_truth', 'top10'") \
        .report()
)

这些评估结果与 CLIP4Clip^[17] 论文原文中的评估分数十分接近，我们可以相信这次搭建的「视频检索」服务性能达标了！

CLIP4Clip 原文中的评估分数

在线 Demo

为了更方便地使用这个「视频检索」服务，我们可以借助 Gradio 来部署一个可交互的在线可玩 Demo^[18]。

首先，我们使用 Towhee 将查询过程包装成一个函数：

milvus_search_function = (
         api.video_text_embedding.clip4clip(model_name='clip_vit_b32', modality='text', device=device)
            .milvus_search(collection=collection, limit=show_num)
            .runas_op(func=lambda res: [os.path.join(raw_video_path, 'video' + str(x.id) + '.mp4') for x in res])
            .as_function()
    )

然后，我们基于 Gradio 创建一个 demo 程序：

import gradio

interface = gradio.Interface(milvus_search_function, 
                             inputs=[gradio.Textbox()],
                             outputs=[gradio.Video(format='mp4') for _ in range(show_num)]
                            )

interface.launch(inline=True, share=True)

Gradio 启动服务后，会提供了 URL 供在线访问：点击这个 URL 链接，就会跳转到「视频检索」服务的交互界面。输入你想要搜索的文本描述，即找到视频库中最符合该描述的视频。例如，我们输入 "a man is cooking" （一个男人正在做饭） 即可得到：

总结

在今天的这篇文章中，我们构建了一个简单的基于内容理解的「视频检索」系统。这个系统与之前的「以文搜图」类似，输入一段文字便可找到最符合描述的视频。

面对「视频-文本」检索这样的跨模态任务，我们使用提供向量数据 ETL 框架的 Towhee^[19] 获取视频和文本的 Embedding 向量，然后在向量数据库 Milvus^[20] 中创建了向量索引，实现视频到文本之间的对应，最后通过相似度检索实现了从文本到视频的跨模态检索任务。

通过对模型进行评估，我们的模型得分与 CLIP4Clip 原论文中的分数十分接近，可以说， Milvus 和 Towhee 可以让我们轻松地搭建了一个性能达标的「视频文本检索」服务！

最后，我们利用 Gradio 将我们的模型包装成一个可以交互的 demo ，方便我们在应用层面上操作跨模态检索工作。

之后的「5分钟」系列还会介绍更多丰富精彩的用 Milvus 和 Towhee 处理非结构化数据的 AI 业务系统搭建流程哦！请持续关注我们，感兴趣的朋友可以跟着一起动手试试！

参考资料